基于K-means算法的客户分群模型构建与应用.docVIP

精品论文 参考文献 基于K-means算法的客户分群模型构建与应用 尹玉芬 　　（广东电网有限责任公司东莞供电局 广东东莞 523008） 　　摘要：随着客户对供电服务的要求不断提升，供电企业有必要进行客户分群，实施差异化服务。基于数据挖掘的聚类分析，从客户行为特征、价值特征、需求特征三个维度，利用K-means算法构建了价值贡献度的客户分群模型，能够较好地满足供电企业客户分群的需求。通过甄别出不同价值贡献度的客户群体，合理分配资源，制定合适的经营策略，提升企业的竞争力和经济效益。 　　关键词：客户分群；数据挖掘；聚类分析；K-means算法；价值贡献度 　　0 引言 　　随着经济的发展，电力市场的逐步开放，客户对电力产品及服务要求不断提高，企业需要持续提高客户满意度，实现差异化服务的前提和基础是进行客户细分管理[1]。文献[2]指出，客户分群是基于现有客户服务数据资源，有效利用决策支持平台，按照客户价值、客户行为及客户需求进行客户细分，并作为制定客户营销服务策略的依据。帕累托法则（二八定律）表明，一个企业80%的利润来自它20%的客户。供电企业如何维持与20%价值贡献度高的客户良好的关系，提升企业的竞争力和经济效益，因此利用数据挖掘方法对客户进行细分是具有应用价值的研究。 　　参考数据挖掘技术在客户分群中运用，文献[3]利用基于群体智能的聚类方法对客户行为进行分析，采用递归算法收集聚类效果，以获得不同消费特征的客户群体。文献[4]利用模糊C均值聚类算法作为客户聚类的方法，为客户分群的特征分析提供了量化依据，并获得较为满意的客户聚类结果。文献[5]利用基于密度的聚类方法，以获取高端消费模式的客户特征，为其提供满意的产品和服务。 　　目前，供电企业对电力客户的数据运用，局限于简单的数据记录和单一维度的比较，缺乏深层次、多维度数据结合的分析；企业内部管理，更多的是根据经验判断，缺乏科学的依据和算法，未能反映客户的正真需求[6]。因此，本文从行为特征、价值特征、需求特征三个维度构建电力客户分群模型，突出客户的多维度属性，运用K-means算法，挖掘客户数据背后的规律和要求，并以某供电企业的客户数据为例进行实证分析。 　　1 客户分群建模 　　1.1客户分群维度 　　客户价值，主要分为当前价值和潜在价值两类。其中，当前价值主要反映客户目前对于企业收益的价值大小；潜在价值主要反映客户未来的发展状况对于企业收益的影响大小。 　　客户行为，主要分为用电行为和交互行为两类。其中，用电行为主要反映客户在用电过程中的行为特征与偏好；交互行为主要反映客户与供电企业在业务往来和沟通交流过程中的行为特征与偏好。 　　客户需求，主要分为基本型需求、期望型需求和兴奋型需求三类。其中，基本型需求反映客户对于电力产品和服务的基本要求；期望型需求反映客户对于优质电力产品和服务的要求；兴奋型需求反映令客户意想不到的电力产品和客户服务特征。 　　1.2 客户分群特征指标 　　结合供电企业的实际运营和营销信息系统数据记录的情况，进一步选定合适的指标作为建模需要的变量，综合参考文献[7，8，9]，共选取36个字段用于建模。评价指标的选取如表1所示。 　　表1 客户特征指标 　　 　　2 基于K-means聚类算法的客户分群建模 　　2.1K-means聚类算法 　 　　图1 使用K-means算法聚类对象集 　　对存在于营销信息管理系统海量的电力客户数据进行分析，应用多字段数据，挖掘数据规律，刻画不同的消费群体的特征，根据需求相似原则对客户实施细分，因此选择使用K-means聚类算法进行分类。 　　K-means聚类算法由Mac Q首先提出，把n个对象分为k个簇，以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。K-means算法采用迭代更新的思想，首先随机地选择k个对象，每个对象代表一个簇的初值均值或中心。对剩下的每个对簇，根据其与各个簇中心的欧氏距离，将它分配到最相似的簇，然后K-means算法迭代地改善簇内变差。对于每个簇，它使用上次迭代分配到该簇的对象，计算新的均值，然后使用更新后的均值作为新的簇中心，重新分配所有对象。迭代继续，直到分配稳定，即本轮形成的簇与前一轮形成的簇相同。迭代使得选取的聚类中心越来越接近真实的簇中心，所以聚类效果越来越好，最后把所有对象划分为k个簇[10]。 　　K-means算法的具体步骤： 　　输入：聚类个数k和包含n个对象的数据集X={x1，x2，……，xn}， 　　输出：k个簇{S1，S2，……，Sk}，使目标函数最小。 　　（1）选取聚类个数k； 　　（2）从数据集中随机选定k个对象作为初始聚类中心c1，c2，……ck； 　　（3）逐个将对象xi（i=1,2，……，n）按欧氏距离分配给距离最近的